我想训练一个图像分类网络。
我把所有的图像都放在一个文件夹和一个带有标签和大量元数据的.json文件中。我写了几个函数来提取与我想要训练的类相对应的图像，对它们进行混洗，并将它们随机划分为train和val列表。所以目前我有这样的东西：
list_imagepath_train = [' C:UserssomeuserPicturesrandomimagename1.jpg', ' C:UserssomeuserPicturesrandomimagename2.jpg', ' C:UserssomeuserPicturesrandomimagename5.jpg', ' C:UserssomeuserPicturesrandomimagename8.jpg', ' C:UserssomeuserPicturesrandomimagename9.jpg', ' C:UserssomeuserPicturesrandomimagename10.jpg', ' C:UserssomeuserPicturesrandomimagename12.jpg']
list_corresponding_classlabels_train = ['5', '5', '2', '3', '2', '2', '5']
list_imagepath_val = [' C:UserssomeuserPicturesrandomimagename3.jpg', ' C:UserssomeuserPicturesrandomimagename4.jpg', ' C:UserssomeuserPicturesrandomimagename6.jpg', ' C:UserssomeuserPicturesrandomimagename7.jpg']
list_corresponding_classlabels_val = ['2', '3', '5', '2']
现在，我想将这些列表转换为train和val数据集，以便在Tensorflow中使用。问题是，我不能使用tf.keras.utils.image_dataset_from_directory，因为所有的图像，无论其标签如何，都在同一个文件夹中，每次开始新的训练时，移动它们似乎有点毫无意义。tf.keras.preprocessing.image.ImageDataGenerator已弃用(https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator)现在我不确定该使用哪个函数将列表转换为所需的数据集。这对我来说都是全新的，所以任何输入或提示都是非常受欢迎的！
您可以使用ImageDataGenerator((类及其函数flow_from_dataframe((；因此，在创建具有两列的数据帧之前；x_col作为文件路径，y_col作为标签，然后在flow_from_dataframe((中定义参数，在这种情况下，将directory设置为None。
此外，您可以使用os库创建目录和子目录，然后将基于标签的图像移动到其子目录中；如果您只想使用image_data_from_directory((
甚至还有tf.data.Dataset.from_tensor_slices((path_list，label_list((，然后通过函数映射它，该函数通过tf.io.read_file((加载图像，然后解码图像，调整大小和形状，然后返回图像和标签。然后在映射数据集之后进行批处理和混洗。
如果您不想使用ImageDataGenerator
from tensorflow.keras.preprocessing.image import load_img, img_to_array
def make_dataset(x, y):
imgs = []
labels = []
img_size = # set to whatever you need
for i, j in zip(x, y):
img = load_img(i, target_size=img_size)
img = img_to_array(img)
imgs.append(img)
labels.append(j)
imgs, labels = np.array(imgs), np.array(labels)
return imgs, labels
x_train, y_train = make_dataset(list_imagepath_train, list_corresponding_classlabels_train)
x_val, y_val = make_dataset(list_imagepath_val, list_corresponding_classlabels_val)
model.fit(x_train, y_train, ...)